公开(公告)号：CN117540104B

公开(公告)日：2024-08-02

申请号：CN202311762184.0

申请日：2023-12-20

Applicant: 暨南大学

Inventor： 官全龙 ,  何兴 ,  方良达 ,  黄秀姐 ,  周玉宇 ,  陈子良 ,  周旭芳 ,  陈高博 ,  罗伟其

IPC: G06F16/9535 ,  G06N3/0895 ,  G06N5/022 ,  G06Q50/20 ,  G06F16/906

Abstract: 本发明公开了一种基于图神经网络的学习群体差异评价方法与系统，包括：获取学习者做题的历史交互信息，对历史交互信息进行处理，得到知识点群体和知识点群体构成的潜在交互序列；根据知识点群体和知识点群体构成的潜在交互序列对学习者群体进行聚类，得到学习者群体；计算所述学习者群体之间的差异，得到群体差异量化结果；将群体差异量化结果输入循环神经网络模块进行训练，得到训练完毕的学习群体差异评价模型；将学习者做题的交互信息输入至模型，得到学习者学习能力评估结果。本申请与传统技术相比，能实现数据驱动的群体动态分组，精准评估群体学习情况，输出不同层次学习者群体的学习能力评价结果，以便制定更有效的后续教育计划。

公开(公告)号：CN119005308A

公开(公告)日：2024-11-22

申请号：CN202411488220.3

申请日：2024-10-24

Applicant: 暨南大学 ,  广东光大信息科技股份有限公司

Inventor： 官全龙 ,  管文山 ,  方良达 ,  段修亮 ,  黄秀姐 ,  周玉宇 ,  杨志伟 ,  巩志国 ,  罗伟其 ,  陈晓宇

IPC: G06N5/02 ,  G06N3/0442 ,  G06N3/0455 ,  G06F18/25

Abstract: 本发明公开了一种基于知识图谱的多模态习题表征方法，涉及多模态表征技术领域，包括：获取多模态信息的数学习题信息以及相关知识点，提取多模态习题涉及的所有元素；提取多模态习题的图像和文本特征；基于表层理解规则，明确习题文本和图片中各元素之间的空间关系，并构建表示表层信息的知识图谱；基于隐层理解的规则，将习题涉及的相关定理和公式转化为形式化语言，并构建表示隐层信息的知识图谱；将表示表层信息和表示隐层信息的知识图谱融合为表示完整的习题信息的知识图谱；基于表示不同习题信息的知识图谱节点和边，计算习题之间的相似度和困难度及文本知识图谱和图像知识图谱的匹配度；基于自动解题模型，获得习题的深度表征。

公开(公告)号：CN120012825A

公开(公告)日：2025-05-16

申请号：CN202510110402.5

申请日：2025-01-23

Applicant: 人工智能与数字经济广东省实验室(广州) ,  暨南大学

Inventor： 方良达 ,  官全龙 ,  朱永权 ,  段修亮 ,  边凯泉 ,  周玉宇 ,  罗伟其

IPC: G06N3/042 ,  G06N3/08 ,  G06Q50/20 ,  G06F17/16

Abstract: 本发明公开了一种基于注意力机制嵌入和遗忘曲线集成的知识追踪方法及装置，涉及深度学习与智慧教育结合的技术，该方法包括获取问题及其知识概念，检索问题和知识概念的嵌入向量，使用注意力机制计算知识概念权重，利用遗忘曲线计算知识概念的间隔时间和遗忘率，并更新学生知识状态矩阵。通过特定学生的知识状态矩阵、问题嵌入向量、知识概念权重和项目反应理论模型计算预测结果，并根据问题回答情况进一步更新知识状态矩阵。本发明的目的是提升知识追踪模型的预测准确性和可解释性。

公开(公告)号：CN119005308B

公开(公告)日：2025-02-11

申请号：CN202411488220.3

申请日：2024-10-24

Applicant: 暨南大学 ,  广东光大信息科技股份有限公司

Inventor： 官全龙 ,  管文山 ,  方良达 ,  段修亮 ,  黄秀姐 ,  周玉宇 ,  杨志伟 ,  巩志国 ,  罗伟其 ,  陈晓宇

IPC: G06N5/02 ,  G06N3/0442 ,  G06N3/0455 ,  G06F18/25

Abstract: 本发明公开了一种基于知识图谱的多模态习题表征方法，涉及多模态表征技术领域，包括：获取多模态信息的数学习题信息以及相关知识点，提取多模态习题涉及的所有元素；提取多模态习题的图像和文本特征；基于表层理解规则，明确习题文本和图片中各元素之间的空间关系，并构建表示表层信息的知识图谱；基于隐层理解的规则，将习题涉及的相关定理和公式转化为形式化语言，并构建表示隐层信息的知识图谱；将表示表层信息和表示隐层信息的知识图谱融合为表示完整的习题信息的知识图谱；基于表示不同习题信息的知识图谱节点和边，计算习题之间的相似度和困难度及文本知识图谱和图像知识图谱的匹配度；基于自动解题模型，获得习题的深度表征。

公开(公告)号：CN117540104A

公开(公告)日：2024-02-09

申请号：CN202311762184.0

申请日：2023-12-20

Applicant: 暨南大学

Inventor： 官全龙 ,  何兴 ,  方良达 ,  黄秀姐 ,  周玉宇 ,  陈子良 ,  周旭芳 ,  陈高博 ,  罗伟其

IPC: G06F16/9535 ,  G06N3/0895 ,  G06N5/022 ,  G06Q50/20 ,  G06F16/906

Abstract: 本发明公开了一种基于图神经网络的学习群体差异评价方法与系统，包括：获取学习者做题的历史交互信息，对历史交互信息进行处理，得到知识点群体和知识点群体构成的潜在交互序列；根据知识点群体和知识点群体构成的潜在交互序列对学习者群体进行聚类，得到学习者群体；计算所述学习者群体之间的差异，得到群体差异量化结果；将群体差异量化结果输入循环神经网络模块进行训练，得到训练完毕的学习群体差异评价模型；将学习者做题的交互信息输入至模型，得到学习者学习能力评估结果。本申请与传统技术相比，能实现数据驱动的群体动态分组，精准评估群体学习情况，输出不同层次学习者群体的学习能力评价结果，以便制定更有效的后续教育计划。